Тема: Сравнение алгоритмов машинного обучения для задачи распознавания лиц

Система распознавания лиц — это технология, способная сопоставлять человеческое лицо из цифрового изображения или видеокадра с базой данных лиц. Такая система обычно используется для аутентификации пользователей с помощью служб проверки личности и работает путем точного определения и измерения черт лица на данном изображении. Системы распознавания лиц являются важным инструментом в современной технологической среде. Они нашли широкое применение в различных областях, таких как безопасность, аутентификация, видеонаблюдение и социальные сети. Однако, эффективность таких систем во многом зависит от алгоритмов машинного обучения, применяемых для распознавания лиц.
Разработка подобных систем началась в 1960-х годах, начиная с формы компьютерного приложения. С момента своего создания системы распознавания лиц в последнее время получили более широкое применение на смартфонах и в других технологиях, таких как робототехника. Поскольку компьютеризированное распознавание лиц включает измерение физиологических характеристик человека, системы распознавания лиц относятся к категории биометрических. Хотя точность систем распознавания лиц как биометрической технологии ниже, чем распознавание радужной оболочки глаза и распознавание отпечатков пальцев, она широко применяется благодаря бесконтактному процессу. Системы распознавания лиц были развёрнуты в расширенном взаимодействии человека с компьютером, видеонаблюдении и автоматической индексации изображений.
Основываясь на анализе и сравнении различных алгоритмов, будет произведена оценка их применимости и эффективности для систем распознавания лиц. Это позволит исследователям и разработчикам выбрать наиболее подходящий алгоритм в зависимости от конкретных требований и контекста применения.
Купить

Выпускная квалификационная работа посвящена актуальной проблеме исследования и практического применения алгоритмов машинного обучения в системах распознавания лиц.
В настоящее время разработано много всевозможных алгоритмов, которые могут быть применены в системах распознавания лиц.
Помимо конфигураций и вычислительной мощности используемых для запуска алгоритма одним из критериев выбора конкретного метода является эффективность данного способа при реализации конкретной задачи.
Цель бакалаврской работы - исследование, сравнение и реализация алгоритмов машинного обучения в системах распознавания лиц.
Для достижения данной цели в процессе работы над бакалаврской работой решены следующие задачи:
Выполнена постановка задачи исследования и проанализированы различные алгоритмы машинного обучения. Исходя из проведённого сравнения алгоритмов машинного обучения для задачи распознавания лиц, можно сделать следующие выводы:
• алгоритмы на основе глубокого обучения, такие как свёрточные нейронные сети, обладают лучшей точностью в распознавании лиц, по сравнению с другими алгоритмами машинного обучения, такими как PCA, SVM и другими,
• однако, алгоритмы на основе глубокого обучения являются более сложными в реализации и требуют значительно больших вычислительных ресурсов для обучения и работы с системой, чем более простые алгоритмы, такие как PCA,
• алгоритмы на основе глубокого обучения также обладают более высокой устойчивостью к изменениям, таким как изменение положения, освещения и выражения лица, чем другие алгоритмы машинного обучения,
• при работе с большими объемами данных и использовании распределенных систем, лучше использовать алгоритмы, которые легко масштабируются и могут быть эффективно использованы на большом количестве устройств,
- в задачах, где требуется быстрая обработка изображений, эффективнее использовать алгоритмы, которые работают быстрее и могут быть эффективно использованы на устройствах с ограниченными вычислительными ресурсами.
Таким образом, выбор определенного алгоритма машинного обучения для задачи распознавания лиц должен зависеть от конкретных требований и ограничений, таких как точность, сложность, устойчивость к изменениям, масштабируемость и скорость обработки.
Выполнена программная реализация и тестирования алгоритма машинного обучения для распознавания лиц. В качестве примера использован популярный алгоритм PCA. Выполнена реализация данного алгоритма на языке программирования Python. Как показали результаты тестирования алгоритма его точность составила 98 процентов.
Результаты бакалаврской работы представляют научно-практический интерес и могут быть рекомендованы для анализа и программной реализации методов и алгоритмов машинного обучения в системах распознавания лиц.
Купить